数据集
15 个数据集
热门分类：
SenseVoice多语言语音理解模型Small
已完整同步
SenseVoiceSmall 是一款高精度多语言语音识别模型，支持超过50种语言的语音识别，并具备情感辨识和音频事件检测能力。它采用非自回归端到端框架，推理速度极快，10秒音频仅需约70毫秒处理。模型不仅能识别语音内容，还能检测音乐、掌声、笑声等常见声学事件，并输出带有情感标签的富文本转写结果。此外，它还支持便捷的微调定制和完整的服务部署，适用于多种实际应用场景。
FSMN语音端点检测-中文-通用-16k
已完整同步
FSMN语音端点检测模型是一个中文通用的VAD模型，支持16kHz采样率。它能够准确检测长语音片段中有效语音的起止时间点，基于FSMN结构，在20,000小时工业级普通话数据上训练。该模型可与ASR模型组合使用，提升语音识别效率。
emotion2vec_plus_large 是一个通用语音情感识别基座模型，专注于从语音中识别出多种情感类别。它能够识别愤怒、厌恶、恐惧、开心、中性、其他、悲伤、惊讶和未知共9种情感状态，旨在通过大规模数据驱动的方式，提升跨语种和跨场景下的情感识别鲁棒性。该模型适用于需要从语音信号中提取情感信息的各类应用场景。
Kimi-Audio-7B-Instruct 是一个开源音频基础模型，统一处理音频理解、生成与对话任务。支持语音识别、音频问答、描述、情感识别、事件分类及端到端语音对话，基于大规模多模态预训练与混合音频输入架构，实现高效推理与流式音频生成。适用于语音交互、音频内容分析等场景。
这是一个基于CT-Transformer架构的中文标点预测模型，适用于语音识别结果的后处理或纯文本输入的标点添加。它通过可控时延技术，在保持模型性能的同时有效降低了标点预测的延迟，能够在通用中文场景下输出具有可读性的文本。
该模型是一个面向中文普通话的离线语音识别模型，基于SeACoParaformer架构，支持热词定制功能，能够有效提升指定热词的识别准确率。模型采用非自回归解码方式，在16kHz采样率下运行，基于5万小时工业级中文任务数据训练，具有较好的泛化能力。在AISHELL-1-hotword测试集上，平均字错率（CER）为8.53%，每秒实时因子（RTF）为0.0251，兼顾了识别精度与推理速度。
这是一个中文通用语音识别模型，采用非自回归架构，支持对长达数小时的音频进行离线识别。模型集成了语音活动检测（VAD）、语音识别、标点恢复和时间戳输出功能，能够直接生成带标点的文字结果。在多个中文公开数据集上取得了领先的识别效果，可用于语音输入、会议纪要、语音导航等场景。
zai-org/GLM-TTS
已完整同步
GLM-TTS 是一个基于大语言模型的高质量文本转语音合成系统，支持零样本语音克隆与流式推理。它采用两阶段架构：先由 LLM 将输入文本转换为语音 token 序列，再通过 Flow Matching 模型生成高质量波形。系统引入了多奖励强化学习框架（GRPO），显著提升语音的表现力，实现更自然的情绪控制。关键特性包括仅需 3-10 秒音频即可克隆任意说话人声音、RL 增强的情感表达、音素级精确发音控制、支持中英双语混合文本，以及实时流式生成。
ZhejiangLab/Gengram
已完整同步
Gengram-10B 是一个为基因组基础模型设计的条件记忆模块，通过显式基序记忆检索增强基于 Transformer 的 DNA 序列建模。它采用哈希查找表存储和检索 k-mer（k=1-6），并引入 21 碱基对窗口机制以对齐 DNA 螺旋结构，在保持线性时间复杂度的同时提升计算效率。该模块兼容多种注意力机制（如 MHA、GQA、MLA），支持混合专家模型中的负载均衡，并具备生物可解释性：记忆嵌入呈现反向互补对称性，门控机制随功能区域变化，从浅层到深层形成层次化表示。
Skywork/Matrix-Game
已完整同步
Matrix-Game是一个大规模Minecraft数据集，包含细粒度的键盘和鼠标动作标注，专为训练交互式、物理基础的世界模型而设计。该数据集可配合17B参数的扩散模型，用于生成高质量、可控的游戏世界视频，并支持对场景演化进行精细控制。
ByteDance/Q-Insight
已完整同步
Q-Insight 是一个专注于图像质量理解的视觉语言模型，通过视觉强化学习进行训练。它基于 Qwen2.5-VL-7B-Instruct 进行微调，采用 Apache-2.0 开源协议。该模型主要面向图像质量评估（IQA）、视频质量评估（VQA）以及 AIGC 内容的理解任务。
LongCat-Video-Avatar 是一个统一的模型，能够根据音频驱动生成富有表现力和高度动态的角色动画。它支持多种生成模式，包括音频-文本生成视频、音频-文本-图像生成视频，以及视频延续，并且兼容单流和多流音频输入。该模型通过解耦无条件引导实现自然的人体动态，采用参考跳跃注意力避免内容重复，并利用跨块潜在拼接减少长序列中的像素退化。
Fun-CosyVoice 3.0 是一个基于大语言模型的先进文本转语音（TTS）系统，在内容一致性、说话人相似度和韵律自然度上均超越前代。它支持9种常见语言（中、英、日、韩、德、西、法、意、俄）以及18种以上中文方言/口音，同时具备跨语言零样本语音克隆能力。系统还提供发音修复、文本标准化、低延迟流式输出和指令控制（如语言、情感、语速、音量）等实用功能，适合生产环境使用。
SmallThinker-21BA3B-Instruct 是一个面向本地部署的混合专家（MoE）语言模型，专为资源受限环境设计。它采用两级稀疏结构（细粒度 MoE 与稀疏前馈网络）和预注意力路由机制，有效降低计算需求并隐藏存储延迟。模型支持在普通 CPU 上以超过 20 tokens/s 的速度运行，内存占用仅约 8GB（Q4_0 量化）。在 MMLU、GPQA、MATH-500 等多项基准测试中，该模型取得了具有竞争力的性能，平均分达 76.26，超越了部分同规模及更大模型。
SmallThinker-4BA0.6B-Instruct 是一个专为本地部署设计的高效语言模型，采用两层稀疏结构（细粒度混合专家与稀疏前馈网络），在降低计算需求的同时保持模型能力。该模型还引入了预注意力路由器和 NoPE-RoPE 混合稀疏注意力机制，以优化存储 I/O 和内存效率，在普通消费级 CPU 上即可实现每秒超过 20 个 token 的生成速度，内存占用仅约 1GB。模型主要面向英文文本生成任务，在多项基准测试中表现优于同规模的其他模型。